Aprendizaje rápido de gráficos múltiplex y fusión atenta para la finalización de gráficos de eventos

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Aprendizaje automático Aprendizaje automático.
• Redes Neurales de Gráfico Las Redes Neurales de Gráfico.

Sus antecedentes:

• Los gráficos de eventos heterogéneos (EG) a menudo sufren la falta de información relacional, lo que limita su utilidad en aplicaciones posteriores.
• Los métodos existentes luchan por modelar y predecir de manera efectiva múltiples relaciones interconectadas dentro de las EG.

Objetivo del estudio:

• Introducir y abordar la nueva tarea de Completación del Gráfico de Eventos (EGC) para predecir múltiples relaciones ausentes en EG heterogéneas.
• Proponer un nuevo modelo, Multiplex Graph Prompt Learning and Attentive Fusion (PLAF), para mejorar la integridad de las EG.

Principales métodos:

• Desarrolló el modelo PLAF, incorporando el Aprendizaje Pronto de Gráfico Dual (DGPL) y una Red de Atención de Gráfico Múltiplex (MGAT).
• DGPL codifica la estructura y la semántica de EG a través de secuencias tripletas de eventos.
• MGAT aprende las representaciones de eventos utilizando la atención intergráfica y cruzada entre subgráficos homogéneos.
• Un Módulo de Predicción de Relaciones Agregadas (ARPM, por sus siglas en inglés) combina las predicciones para una finalización robusta.

Principales resultados:

• El modelo PLAF demostró un rendimiento superior en la predicción de relaciones faltantes en comparación con los métodos de última generación.
• Experimentos extensos en el conjunto de datos EGC-MAVEN recién construido validaron la eficacia del modelo.
• Los resultados confirman que el modelado de múltiples relaciones interactivamente mejora la precisión de la predicción.

Conclusiones:

• El modelo de PLAF propuesto aborda efectivamente la tarea de completar el gráfico de eventos.
• El enfoque mejora la integridad y la utilidad de los gráficos de eventos heterogéneos para diversas aplicaciones.
• Este trabajo establece un nuevo punto de referencia para la predicción de múltiples relaciones en gráficos de eventos.